所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.关于神器：1.分享直接免费使用的ChatGPT, 确实最强科研神器！2.ChatGPT为主题的经济金融等等社科领域的最新论文！3.聊天绘图ChatGPT诞生! 各种技术图形都不再是学术难题！4.太强悍了！英文文献阅读版ChatGPT，一站式文献阅读神器！5.重磅: 计量经济学与ChatGPT的30个问答！6.一款文献阅读神器ChatPDF一网打尽英文文献！7.神器! 统计和金融计算器, 词云和情感分析器强大到无敌！8.找合适的英文期刊发表的神器! 亲测太好用了！9.神器! SSCI分区及影响因子查询, 还有国人发表比例，10.一数学神器诞生! 手写公式和符号, 竟免费转成LaTex，11.学术神器Endnote的最详尽使用方法，12.“各领域顶级外文期刊”菜单栏使用指南, 最新文章和目录浏览！13.NBER20个主题工作论文分门别类, Chronicle，14.不用必悔神器！按最全的细分领域推送该周最新最前沿的经济学工作论文！15.ABS星级期刊目录实时更新网址! 你总能找到最新的期刊分级目录！16.前沿: 以ChatGPT打开了经济学和其他社会科学研究范式的巨大新空间
接着“机器学习刚得诺奖, AEA迅速发了篇经济学家如何利用深度机器学习技术的综述！”2024年诺贝尔化学奖授予了David Baker, Demis Hassabis和John Jumpern，以表彰他们在计算蛋白质设计，以及用AI在蛋白质结构预测方面的杰出贡献。
这对经济学家来说同样具有重要意义，因为AI正日益融入经济学等学科的研究之中。那么，AI是否会像它对物理学、化学等领域产生的深远影响一样，同样对经济学研究产生重大影响呢？
这不，美国经济学会AEA旗下的Journal of Economic Literature发表了一篇经济学和商学学者必读的综述性文章：“Generative AI for Economic Research: Use Cases and Implications for Economists”。
文章的主题是"生成式AI如何革命经济学研究：应用案例及它对经济学家意味着什么。"
这标志着美国经济学会首次试图探索GPT等大型模型对经济学研究的影响，并尝试为ChatGPT等大模型在经济学研究中定下了历史性的基调。该文认为，经济学家可以通过利用生成式人工智能来自动化微任务，从而显著提升生产力。随着人工智能系统性能的持续提升，这些收益也将不断增加。此外，该文还对人工智能驱动的认知自动化对经济学研究的长期影响进行了推测。
文章中，作者分析了诸如ChatGPT等大型语言模型（LLMs）在经济学领域六个方面对经济学家的辅助作用，并详细描述了数十种应用案例：包括构思与反馈、写作、背景研究、数据分析、编码以及数学推导。该文不仅提供了通用指南，还展示了如何充分利用这些案例进行经济学研究，并将LLM的能力分为实验性和高度实用等不同级别。相关在线资源将提供入门指南，并定期更新生成式人工智能在经济学领域的最新应用能力。
生成式人工智能（AI）具有革命性的研究潜力。在本文中，我分析了诸如ChatGPT等大型语言模型（LLMs）在六个领域中对经济学家的辅助作用，并详细描述了数十种应用案例：构思与反馈、写作、背景研究、数据分析、编码以及数学推导。我不仅提供了一般性的指导，还展示了如何充分利用这些案例开展我们自己的研究工作，并将LLM的能力分为实验性和高度实用等不同级别。我认为经济学家可以通过利用生成式AI来自动化微任务，从而获得显著的生产力提升。此外，随着人工智能系统性能的持续改进，这些收益也将不断增加。同时，我对人工智能驱动的认知自动化对经济学研究的长期影响进行了推测。与本文相关的在线资源将为中青年学者提供入门指南，并定期更新生成式AI在经济学领域的最新能力。
简要介绍：
人工智能（AI）生成模型领域的最新进展，特别是大型语言模型（LLMs），有潜力彻底改变经济学和其他科学领域的研究。生成式AI已经实现了一项重要突破，在广泛的认知任务中展现出实用性。这一点可以从ChatGPT引发的广泛关注中得到证实。由OpenAI于2022年11月发布的ChatGPT仅在前两个月就吸引了超过1亿用户，并预计其能够在14天内产生相当于人类所有印刷作品总量的文字量。随后，OpenAI和Google DeepMind相继发布了更为强大的LLMs。此外，越来越多的知名科技公司和初创企业纷纷开发自己的生成式AI系统，或将其调整以适用于特定用途。一些评论家开始将这种现象形容为“寒武纪爆发”。本文旨在描述现代生成式人工智能在经济学研究中的应用案例，当然，这都是基于我对该领域的探索。本文的重点是LLMs，这是目前在研究中最实用的生成式人工智能类型。我将它们的应用案例分为六个领域：构思与反馈、写作、背景研究、数据分析、编码和数学推导。我提供了针对如何充分利用每种功能的一般性指导，并使用具体示例加以演示。此外，我将最常用的LLMs的能力分类为实验性到极其实用，下方表2提供了各种能力的整体概览。我没有过多强调其他类型的生成式人工智能，包括图像、音频和视频生成工具，因为它们在经济学研究中目前应用案例不多。我希望本文能成为一个有用的指南，既适用于刚开始使用生成式人工智能的研究人员，也适用于对LLMs不断增长的能力感兴趣，想要探索新的用例从而超越他们已经所拥有的经验的专业用户。
本文相关的在线资源可在期刊网站上找到，并将定期更新最先进的生成式人工智能工具在经济学研究中的能力和应用案例。此外，它们还提供了一个“我该如何开始？”的指南，以及一个“面向经济学家的生成式人工智能有用资源”的页面。
目前，我认为生成式人工智能最有帮助的地方在于它能作为助手，帮助研究人员自动化他们在一天中多次进行的小型“微任务”。通常这些任务通常太小，无法分配给人类研究助理去做。生成式人工智能工具之所以适用于这类任务，是因为它们具有高速度和低交易成本。此外，在编码、数据分析、构思和写作方面也非常有用。我认为，研究人员可以通过将生成式人工智能融入工作流程中，显著提高他们的工作效率。密切关注生成式人工智能当前的能力也很有价值，因为它预示着未来一代生成式人工智能系统将能够做些什么。近年来，用于训练先进LLMs的计算能力平均每六个月就翻倍一次，从而快速提升了能力。普遍预期这些进展将在不久的将来继续向前，从而使生成式人工智能系统变得更加强大。研究人员有必要了解甚至是具备实践性的能力，因为前沿技术仍在飞速的进步。从长远来看，我推测生成式人工智能可能开启一个认知自动化的时代，这可能对经济学和其他学科的科学进展产生深远影响。此外，这种认知自动化也可能对认知劳动的价值产生明显影响。近几个月涌现了大量关于经济学中生成式人工智能的文献，主要集中在LLMs上。Cowen和Tabarrok（2023）以及Mollick和Mollick（2023）描述了如何运用LLMs进行教学和学习。Dowling和Lucey（2023）展示了ChatGPT在金融学研究中的应用案例，涵盖了从构思到数据识别的各个方面。Eloundou等（2023）和Felten等（2023）分析了不同职业和行业如何受到LLMs的影响。Horton（2023）探讨了LLMs作为模拟经济代理的应用。Lopez-Lira和Tang（2023）指出LLMs可用于情感分析，从而预测股价的波动。Noy和Zhang（2023）通过一项控制性实验显示，ChatGPT让作者的写作速度提高了40%，同时提高了输出质量，并对技能较弱的作者提供更多帮助，从而减少了输出不均衡。Peng等（2023）展示了基于LLM的编码助手GitHub Copilot使程序员完成编码任务的速度提高了56%。对于像ChatGPT这样的生成式人工智能工具发布所引发的反应出现了明显的分歧：一些评论者认为LLMs不过是“随机鹦鹉”或“高级自动完成”；而另一些则将GPT-4等同于“人工通用智能的第一次火花”，即在所有领域拥有人类水平智能的人工智能。造成这种分歧观点的原因之一是LLMs的能力或“智能”与人类智能存在很大的差异，这使得人们很难进行关联和比较。因此，在继续之前，我想提出两个警告：高估LLMs的能力是容易的，也是危险的。即使在“幻觉”时，也就是内容完全错误的情况下，它们也可以产生听起来非常权威的文本。在人类撰写的文本中，权威风格与见地深刻的内容之间存在着很强的相关性，但LLMs已学会了前者，但在后者上并不可靠。用户需要注意不要赋予LLMs人性化，并在使用其生成的结果时行使批判性判断。在许多方面，LLMs的能力对人类来说感觉很陌生。它们的主要目标是生成文本；它们的创建者仍在努力确保它们生成的内容始终如一地真实和合适。
低估LLMs的能力也同样容易，也同样危险。由于它们经常产生幻觉并犯明显的错误，很容易忽视LLMs。然而，一位前Mensa International主席报告称，ChatGPT在语言智商测试中获得了147分的智商（99.9百分位数）。此外，尽管人类智能水平相对稳定，但LLMs正在迅速发展，每一次新的迭代都变得更加准确和强大。
最终，我认为对生成式人工智能最有用的态度是听取比较优势的教训，这是两个多世纪前Ricardo（1817）教给我们的：生成式人工智能系统在生成内容方面日益具有比较优势；人类在评估和区分内容方面具有比较优势（至少目前是如此），以及在组织研究项目方面也是如此。此外，LLMs在处理大量文本方面也具有超人的能力。所有这些为富有成效的合作创造了充裕的空间，我将在本文的其余部分探讨这一点。第二部分从技术角度深入描述了LLMs，它们是目前在经济学研究中最为实用的生成式人工智能类型。LLMs被设计成深度神经网络，首先经过大规模数据的预训练以构建基础模型，随后根据人类用户的指导进行微调。这些模型能够学习其训练数据的结构，并形成更高层次的概念表征。LLMs的能力不断提升，遵循着可预测的规模定律，即随着计算量、参数数量和训练数据规模的增加而不断改进。了解LLMs的工作原理和局限性对于有效发挥它们的作用至关重要。第三部分详述了我在撰写该文时最常使用的LLMs，并列举了LLMs在六个不同领域对研究的实用性。这部分被称为本文的“动态部分”，将在本文相关在线资源中定期更新。在构思方面，LLMs有助于头脑风暴、评估想法，并提供反馈和反驳。在写作方面，它们能够综合文本、提供例子、编辑和评估文本，甚至为论文撰写生成引人注目的标题或帖子。在背景研究中，LLMs有助于检索和总结文献、翻译文本、解释概念以及格式化参考文献。在编码方面，LLMs能够根据自然语言指令编写代码、解释代码、在编程语言之间进行代码转换，甚至进行代码调试。在数据分析中，LLMs能够创建图表、从文本中提取数据、重新格式化数据、对文本进行分类、提取情感，甚至模拟人类以生成数据。最后，LLMs开始展现在数学推导方面的新兴能力，从建立模型到推导再到解释模型。上方表2提供了对所有描述的应用案例的系统概述，并对其在撰写时的实用性进行了评估。在最后一部分，我推测了生成式人工智能在中长期对经济学和其他学科研究的影响。我假设在中期，基于人工智能的辅助工具将更多地参与生成研究论文的内容，而人类研究者将专注于他们的比较优势，例如组织研究项目、激发和评估生成的内容。长远来看，我们不应排除人工智能系统可能自行产生和表达出优秀经济研究的可能性。
鉴于AI如此之火，且受到诺贝尔奖委员会的高度关注，强烈建议所有社科学者都将该文下载下来仔细阅读。
*社群群友可直接在社群下载PDF。
关于机器学习：1.机器学习之KNN分类算法介绍: Stata和R同步实现（附数据和代码），2.机器学习对经济学研究的影响研究进展综述，3.回顾与展望经济学研究中的机器学习，4.最新: 运用机器学习和合成控制法研究武汉封城对空气污染和健康的影响! 5.Top, 机器学习是一种应用的计量经济学方法, 不懂将来面临淘汰危险！6.Top前沿: 农业和应用经济学中的机器学习, 其与计量经济学的比较, 不读不懂你就out了！7.前沿: 机器学习在金融和能源经济领域的应用分类总结，8.机器学习方法出现在AER, JPE, QJE等顶刊上了！9.机器学习第一书, 数据挖掘, 推理和预测，10.从线性回归到机器学习, 一张图帮你文献综述，11.11种与机器学习相关的多元变量分析方法汇总，12.机器学习和大数据计量经济学, 你必须阅读一下这篇，13.机器学习与Econometrics的书籍推荐, 值得拥有的经典，14.机器学习在微观计量的应用最新趋势: 大数据和因果推断，15.R语言函数最全总结, 机器学习从这里出发，16.机器学习在微观计量的应用最新趋势: 回归模型，17.机器学习对计量经济学的影响, AEA年会独家报道，18.回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现），19.关于机器学习的领悟与反思，20.机器学习，可异于数理统计，21.前沿: 比特币, 多少罪恶假汝之手? 机器学习测算加密货币资助的非法活动金额! 22.利用机器学习进行实证资产定价, 金融投资的前沿科学技术! 23.全面比较和概述运用机器学习模型进行时间序列预测的方法优劣！24.用合成控制法, 机器学习和面板数据模型开展政策评估的论文！25.更精确的因果效应识别: 基于机器学习的视角，26.一本最新因果推断书籍, 包括了机器学习因果推断方法, 学习主流和前沿方法，27.如何用机器学习在中国股市赚钱呢? 顶刊文章告诉你方法！28.机器学习和经济学, 技术革命正在改变经济社会和学术研究，29.世界计量经济学院士新作“大数据和机器学习对计量建模与统计推断的挑战与机遇”，30.机器学习已经与政策评估方法, 例如事件研究法结合起来识别政策因果效应了！31.重磅! 汉森教授又修订了风靡世界的“计量经济学”教材, 为博士生们增加了DID, RDD, 机器学习等全新内容！32.几张有趣的图片, 各种类型的经济学, 机器学习, 科学论文像什么样子？33.机器学习已经用于微观数据调查和构建指标了, 比较前沿！34.两诺奖得主谈计量经济学发展进化, 机器学习的影响, 如何合作推动新想法！35.前沿, 双重机器学习方法DML用于因果推断, 实现它的code是什么？
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。
7年，计量经济圈近2000篇不重类计量文章，
可直接在公众号菜单栏搜索任何计量相关问题,
Econometrics Circle
计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。
